DeepSeek 本地部署完整教程（2026 最新版）

若安好便是晴天
8 阅读6分钟

作者简介：50 岁程序员，20 年开发经验，跑过多次马拉松，正在学习大模型技术并探索兼职变现。本文是"50 岁学大模型"系列第 2 篇。

为什么选择 DeepSeek？

在第 1 篇文章里，我说要学习大模型技术。很多读者问我："50 岁了，学这个来得及吗？应该从哪入手？"

我的建议是：先动手部署一个本地模型，玩起来再说。

而 DeepSeek，是目前最适合新手的开源大模型：

1. 开源免费

  • 完全开源，可以商用

  • 不需要 API Key，随便用

  • 社区活跃，问题容易找到答案

2. 性能强悍

  • DeepSeek-V3 671B 参数，性能接近 GPT-4

  • DeepSeek-R1 推理能力突出，适合代码/数学

  • 量化版本小模型（7B/8B），普通电脑也能跑

3. 本地部署，数据隐私

  • 数据在自己电脑上，不用担心泄露

  • 不需要联网，离线也能用

  • 适合企业私有化部署（这是变现机会！）

部署方式对比

我测试了 3 种部署方式，给你一个清晰的对比：

| 方式 | 难度 | 显存要求 | 推荐指数 | 适合人群 |

|------|------|---------|---------|---------|

| Ollama | ⭐ 简单 | 8GB+ | ⭐⭐⭐⭐⭐ | 新手首选 |

| LM Studio | ⭐⭐ 中等 | 8GB+ | ⭐⭐⭐⭐ | 喜欢图形界面 |

| 原生部署 | ⭐⭐⭐⭐ 困难 | 24GB+ | ⭐⭐ | 高级玩家 |

我的推荐：Ollama，10 分钟搞定，零基础也能学会。

方式 1：Ollama 部署（10 分钟搞定）⭐推荐

环境要求

| 配置 | 最低要求 | 推荐配置 |

|------|---------|---------|

| 内存 | 8GB | 16GB+ |

| 显存 | 4GB | 8GB+ |

| 硬盘 | 10GB 可用空间 | 50GB+ |

| 系统 | Windows/Mac/Linux | - |

我的电脑： 2014 款 MacBook Pro，16GB 内存，能跑 7B/8B 模型

第 1 步：安装 Ollama

Windows/Mac：

  1. 访问官网：ollama.com

  2. 下载安装包

  3. 双击安装（一路下一步）

Linux：


curl -fsSL https://ollama.com/install.sh | sh

  
验证安装：

ollama --version

  
看到版本号就说明安装成功了。

第 2 步：下载 DeepSeek 模型

打开终端/命令行，执行：

*# 下载 DeepSeek-R1 蒸馏版（推荐新手）*

ollama run deepseek-r1:8b

*# 或者下载 DeepSeek-V3（性能更强，需要更大显存）*

ollama run deepseek-v3:8b

  
模型大小选择：

| 模型               | 大小   | 显存要求 | 适合场景   |
| ---------------- | ---- | ---- | ------ |
| deepseek-r1:1.5b | 1.5B | 2GB  | 测试/学习  |
| deepseek-r1:7b   | 7B   | 8GB  | 日常使用   |
| deepseek-r1:8b   | 8B   | 8GB  | 日常使用 ⭐ |
| deepseek-r1:14b  | 14B  | 16GB | 专业使用   |
| deepseek-r1:32b  | 32B  | 24GB | 高性能需求  |

新手建议： 先下 8B 版本，够用且流畅。  
  
下载时间： 根据网速，大概 5-30 分钟（8B 模型约 5GB）

第 3 步：启动服务

下载完成后，Ollama 会自动启动服务。  
  
验证服务：

*# 查看已下载的模型*

ollama list

*# 查看运行状态*

ollama ps

  
输出示例：

NAME ID SIZE MODIFIED

deepseek-r1:8b a1b2c3d4e5 4.7 GB 2 minutes ago

第 4 步：API 调用测试

方式 1：命令行对话

ollama run deepseek-r1:8b

  
然后直接输入问题，比如：

>>> 你好，介绍一下你自己

>>> 用 Python 写一个快速排序

>>> 1+1 等于几？

  
方式 2：API 调用（编程用）

import requests

import json

url = "http://localhost:11434/api/generate"

payload = {

"model": "deepseek-r1:8b",

"prompt": "你好，请用一句话介绍你自己",

"stream": False

}

response = requests.post(url, json=payload)

result = response.json()

print(result['response'])

  
方式 3：Web 界面（推荐）  
  
Ollama 自带简单的 Web 界面，访问：

http://localhost:11434

  
或者安装 Open WebUI（更美观）：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui ghcr.io/open-webui/open-webui:main

  
然后访问 http://localhost:3000

方式 2：LM Studio 部署（图形界面）

如果你觉得命令行太复杂，可以用 LM Studio，纯图形界面操作。

第 1 步：下载安装

1.  访问官网：

    <https://lmstudio.ai>

<!---->

1.  下载对应系统版本

<!---->

1.  安装并启动

第 2 步：下载模型

1.  点击左侧"Search"图标

<!---->

1.  搜索"DeepSeek"

<!---->

1.  选择合适的模型（推荐 8B）

<!---->

1.  点击"Download"

第 3 步：开始对话

1.  点击左侧"Chat"图标

<!---->

1.  顶部选择已下载的模型

<!---->

1.  在对话框输入问题

<!---->

1.  点击"Send"

优点： 操作简单，可视化好  
缺点： 功能相对少，API 调用不如 Ollama 方便

常见问题

Q1：显存不够怎么办？

方案 1：使用更小的模型

ollama run deepseek-r1:1.5b *# 只要 2GB 显存*

  
方案 2：使用量化版本

ollama run deepseek-r1:8b-q4 *# 4bit 量化，显存减半*

  
方案 3：用 CPU 跑（慢但能用）

*# Ollama 会自动切换，不需要额外配置*

Q2：如何量化模型？

使用 llamma.cpp 工具：

*# 克隆仓库*

git clone https://github.com/ggerganov/llama.cpp

cd llama.cpp

*# 编译*

make

*# 量化（以 8B 模型为例）*

./quantize models/deepseek-r1-8b.gguf models/deepseek-r1-8b-q4.gguf q4_0

  
量化级别选择：

| 量化    | 大小 | 精度损失 | 推荐   |
| ----- | -- | ---- | ---- |
| q4_0 | 最小 | 较大   | 显存紧张 |
| q5_0 | 中等 | 较小   | ⭐推荐  |
| q8_0 | 较大 | 很小   | 追求精度 |

Q3：API 调用示例

Python 示例（完整）：

import requests

import json

class DeepSeekClient:

def __init__(self, model="deepseek-r1:8b"):

self.url = "http://localhost:11434/api/generate"

self.model = model

def chat(self, prompt, max_tokens=1024):

payload = {

"model": self.model,

"prompt": prompt,

"stream": False,

"options": {

"num_predict": max_tokens

}

}

response = requests.post(self.url, json=payload)

result = response.json()

return result.get('response', '')

*# 使用示例*

if __name__ == '__main__':

client = DeepSeekClient()

*# 问问题*

answer = client.chat("用 Python 写一个快速排序")

print(answer)

  
输出：

def quick_sort(arr):

if len(arr) <= 1:

return arr

pivot = arr[len(arr) // 2]

left = [x for x in arr if x < pivot]

middle = [x for x in arr if x == pivot]

right = [x for x in arr if x > pivot]

return quick_sort(left) + middle + quick_sort(right)

下一步

部署完成后，你可以：

1. 接入自己的应用

-   用 Python/Node.js 调用 API

<!---->

-   集成到现有系统

<!---->

-   搭建聊天机器人

2. 学习微调

-   用 LlamaFactory 微调 DeepSeek

<!---->

-   适配特定领域（医疗/法律/金融）

<!---->

-   提升专业场景表现

3. 搭建知识库（RAG）

-   用 Dify/RAGFlow 搭建企业知识库

<!---->

-   结合 DeepSeek 做智能问答

<!---->

-   这是可以变现的方向！（5k-30k/项目）

给新手的建议

1.  先跑起来再说 - 不要纠结配置，先让模型转起来

<!---->

1.  从小模型开始 - 8B 够用，别一上来就搞 70B

<!---->

1.  多动手尝试 - 报错不可怕，Google/问 AI 都能解决

<!---->

1.  记录问题 - 你遇到的问题，别人也会遇到（这是写文章的好素材！）

总结

DeepSeek 本地部署其实很简单：  


1.  安装 Ollama（5 分钟）

<!---->

1.  下载模型（10-30 分钟）

<!---->

1.  启动服务（1 分钟）

<!---->

1.  开始使用

总耗时： 不到 1 小时  
总成本： 0 元（免费开源）
avatar
文章
阅读
粉丝